当前位置:主页 > 计算机电子书 > 机器学习 > 机器学习 pdf电子书
精通机器学习:基于R(第2版)

精通机器学习:基于R(第2版) PDF 超清版

  • 更新:2023-07-20
  • 大小:11 MB
  • 类别:机器学习
  • 作者:考瑞·莱斯米斯特
  • 出版:人民邮电出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

精通机器学习:基于R(第2版)》是由人民邮电出版社出版的一本关于机器学习方面的书籍,作者是考瑞·莱斯米斯特,主要介绍了关于机器学习、R语言方面的知识内容,目前在机器学习类书籍综合评分为:7.3分。

码农点评

《精通机器学习:基于R(第2版)》是一本内容丰富、深入浅出的机器学习教材。本书通过结合机器学习和R语言,为读者提供了扎实的算法基础和业务基础。从机器学习基本概念到线性回归、逻辑回归和判别分析,再到线性模型的高级选择特性,以及K最近邻和支持向量机等内容,本书力图平衡实践中的技术和理论两方面。无论是学习机器学习的初学者还是专业人士,都能从本书中获得宝贵的知识和实战经验。无论是理论知识的讲解还是实例的演示,本书都非常详细清晰,帮助读者理解和掌握机器学习的核心概念和技术。《精通机器学习:基于R(第2版)》是一本值得推荐的机器学习学习指南。

书籍介绍

精通机器学习:基于R

精通机器学习:基于R电子书封面

读者评价

LASSO、惩罚项、SVM,很好,我知道了什么是我不知道的。| 好看的封面&第一章里面超厉害的流程总结让我给它满分(希望我的进度不要止步于此)。以及,逼迫自己“理智地”思考也是有点抖M了
有灵魂的一本书,适合入门,讲述清晰。 如本书副标题所说,“理论与技术的完美并重”,不管是对模型的理论讲解还是对业务逻辑的分析都很清晰明确,颇有洞察。
作为一个研一新生,在读完第二章线性回归之后,发现本书并不像其他机器学习的书一样仅仅介绍模型及预测,而是从数理统计的角度来分析并解释模型,全书要求的数学基础较高,并要大致了解r语言,总体来说值得初学者一读。

内容介绍

机器学习是近年来的热门技术话题,R语言是处理其中大量数据的有力工具。本书为读者提供机器学习和R语言的坚实算法基础和业务基础,内容包括机器学习基本概念、线性回归、逻辑回归和判别分析、线性模型的高级选择特性、K最近邻和支持向量机等,力图平衡实践中的技术和理论两方面

目录

  • 第1章 成功之路  1
  • 第2章 线性回归:机器学习基础技术  11
  • 第3章 逻辑斯蒂回归与判别分析  35
  • 第4章 线性模型中的高级特征选择技术  58
  • 第5章 更多分类技术:K最近邻与
  • 支持向量机  82
  • 第6章 分类回归树  103
  • 第7章 神经网络与深度学习  124
  • 数据集  141
  • 第8章 聚类分析  147
  • 第9章 主成分分析  169
  • 第10章 购物篮分析、推荐引擎与
  • 序列分析  185
  • 第11章 创建集成多类分类  215
  • 第12章 时间序列与因果关系  229
  • 第13章 文本挖掘  250
  • 第14章 在云上使用R语言  268
  • 附录 R语言基础  275

资源获取

资源地址1:https://pan.baidu.com/s/1-aOFzqmLU_s4ViGj0_y6vg(密码:qzgk)

相关资源

网友留言

网友NO.44264
网友NO.44264

数据预处理 之所以要做数据预处理,是因为提供的数据集往往很少是可以直接拿来用的。 可能的情况有: 1. 样本某些属性值缺失 2. 有未标记样本 3. 样本的属性太多 4. 样本量不足 5. 没有分出测试集和验证集 6. 不同类的样本数相差比较大

网友NO.22663
网友NO.22663

这段时间把《机器学习》看了一遍,总的来说,除了前两章是基础,其余章节都是介绍模型方法,应用场景、理论推导、优化过程、算法等,每章都可独立阅读而不受其他章节影响。 如果只是每一章都看完,顶多就是了解了一种方法,相互之间是割裂的,这样当碰到一个实际问题,仍然无法思路完整的求解,因而有必要在阅读时就要有意识甚至刻意的建立起知识架构。实际上,所谓的机器学习,是面对一个具体的问题,从给定的数据中产生模型的算法,也就是说脱离了实际问题谈机器学习算法是毫无意义的。 参考本书的章节内容,加上自己在读书、工作中的一些理解,简单总结一下基于机器学习的一般性问题解决方法。

网友NO.49745
网友NO.49745

归纳是从特殊到一般的“泛化”过程。演绎则是从一般到特殊的“特化”过程。“从样例中学习”显然是一个归纳的过程,因此也成为“归纳学习”。这又分为狭义和广义之分,广义的归纳学习大体相当于从样例中学习,而狭义的归纳学习则要求从训练数据中学得概念,因此也成为“概念学习”或“概念形成”。但是这种学习应用较少,因为要学得泛化性能好且语义明确的概念实在太困难了。